XXIV Congresso de Iniciação Científica
Processamento digital de imagens no reconhecimento do chilling em bananas
Paulo Henrique Milanezi, Marcus Vinicius Cremonesi, Bianca Fukuda, Silvia Helena Modenese Gorla da Silva, Juliana Domingues Lima, Danilo Eduardo Rozane – Campus de Registro – Agronomia - milanezi@registro.unesp.br
Palavras Chave: redes neurais artificiais, análise de componentes principais, visão artificial
Introdução
Uma alternativa interessante e atraente para lidar com identificação de alterações de cores no fruto, trata-se do processamento digital de imagens, que entende-se pela manipulação de imagens por computador, com objetivos que vão desde melhorar o aspecto visual de uma imagem, até extrair informações úteis e relevantes1.
Neste sentido, pretendeu-se no presente trabalho, utilizar o processamento digital de imagens com análise de componentes principais (ACP), uma técnica da estatística multivariada de dados2 e redes neurais artificiais (RNA)5 como ferramentas de apoio para diferenciar frutos com e sem chilling, através da coloração da casca e, assim, iniciar um estudo de estabelecimento de padrões de alterações de cores nos frutos causados pelo chilling.
Material e Métodos
Frutos do cultivar Grand Naine foram colhidos em duas tradicionais regiões produtoras, de Jacupiranga, no Estado de São Paulo e Ipanguaçu, no Rio Grande do Norte. Os frutos foram caracterizados com e sem chilling de acordo com a temperatura a que foram submetidos no período de sua formação. Os frutos de São Paulo pertencem à classe com chilling e os do Rio Grande do Norte, sem chilling.
Após atingirem a completa maturação, estádio de maturação 63, iniciou-se o processamento digital de imagens (PDI). Para realização do trabalho com o PDI, a metodologia consistiu-se de quatro fases distintas: 1) coleta e digitalização das amostras, 2) segmentação e extração dos histogramas das imagens, 3) seleção de atributos (ACP) e 4) classificação4 (RNA).
Resultados e Discussão
Após ser editado o arquivo texto com os histogramas das imagens, deu-se início ao experimento computacional com a utilização da ferramenta Weka. Na seleção de atributos, a ACP reduziu as variáveis de entrada para 12 variáveis, que são combinações lineares das 768 variáveis originais. Com isso, reduziu-se dimensionalidade para a fase de classificação com as RNA. A Figura 1
ilustra a arquitetura da rede neural utilizada na fase de classificação.
Figura 1. Rede Neural Artificial Multicamadas utilizada no treinamento das classes.
Como resultado de classificação, a RNA conseguiu uma taxa de acerto médio nos conjuntos de testes igual 94% (Figura 2).
Figura 2. Matriz de confusão do resultado de classificação.
Analisando a Figura 2, verifica-se que foi alcançado praticamente o mesmo desempenho para ambas as classes: com chilling e sem chilling.
Conclusões
A partir dos resultados obtidos, com taxa de erro de somente 6%, conclui-se que a metodologia adotada é potencialmente precisa no reconhecimento de danos causados pelo frio na banana.
____________________
1 Gonzalez, R. C.; Woods, R. E. Digital Image Processing. Reading, Addison Wesley, 716p.,1992.
2 Johnson, R.A.; Wichern, D.W. Applied Multivariate Statistical Analysis, 5 ed., New Jersey: Prentice-Hall, 2002, 767p.
3 Von Loesecke, H. Bananas. 2º. ed. New York, Int. Publish Inc. 1950, 189p.
4 Modenese-Gorla da Silva, S. H. Processamento digital de imagens para identificação da Sigatoka Negra em bananais utilizando análise de componentes principais e redes neurais artificiais. Tese (Doutorado), UNESP – FMVA, Botucatu, 2008.
5 HAYKIN, S. Neural Networks: A Comprehensive Foundation. New York, US: MacMillan, 1999.
a b - classificada 24 1 | a = chilling 2 23 | b = sem_chilling
